Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

9. Dynamic and Temporal Bayesian Networks

verfasst von : Luis Enrique Sucar

Erschienen in: Probabilistic Graphical Models

Verlag: Springer London

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Dynamic Bayesian network models extend BNs to represent the temporal evolution of a certain process. There are two basic types of Bayesian network models for dynamic processes: state based and event based. Dynamic Bayesian networks are state-based models that represent the state of each variable at discrete time intervals. Event-based models represent the changes in the state of each state variable; each temporal variable will then correspond to the time in which a state change occurs. In this chapter, we will review dynamic Bayesian networks and event networks, including representation, inference, and learning. The chapter includes two application examples: dynamic Bayesian networks for gesture recognition and temporal nodes Bayesian networks for HIV mutational pathways prediction.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Bayesian Networks: Learning
Nächstes Kapitel Decision Graphs
Literatur
1.
Arroyo-Figueroa, G., Sucar, L.E.: A temporal Bayesian network for diagnosis and prediction. In: Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence (UAI). Morgan-Kaufmann, San Mateo, pp. 13–20 (1999)
2.
Avilés-Arriaga, H.H., Sucar, L.E., Mendoza-Durán, C.E., Pineda-Cortés, L.A.: Comparison of dynamic naive Bayesian classifiers and hidden Markov models for gesture recognition. J. Appl. Res. Technol. 9(1), 81–102 (2011)
3.
Cooper, G.F., Herskovitz, E.: A Bayesian method for the induction of probabilistic networks from data. Mach. Learn. 9(4), 309–348 (1992)MATH
4.
Friedman, N., Murphy, K., Russell, S.: Learning the Structure of Dynamic Probabilistic Networks. In: Proceedings of the Fourteenth Conference on Uncertainty in Artificial (UAI). Morgan Kaufmann Publishers Inc., pp. 139–147 (1998)
5.
Galán, S.F., Arroyo-Figueroa, G., Díez, F.J., Sucar, L.E.: Comparison of two types of event Bayesian networks: a case study. Appl. Artif. Intell. 21(3), 185–209 (2007)CrossRef
6.
Ghahramani, Z.: Learning Dynamic Bayesian Networks. Lecture Notes in Computer Science 1387, 168–197 (1998)
7.
Hernández-Leal, P., González, J.A., Morales, E.F., Sucar, L.E.: Learning temporal nodes Bayesian networks. Int. J. Approx. Reason. 54(8), 956–977 (2013)CrossRef
8.
Hernández-Leal, P., Rios-Flores, A., Ávila-Rios, S., Reyes-Terán, G., González, J.A., Fiedler-Cameras, L., Orihuela-Espina, F., Morales, E.F., Sucar, L.E.: Discovering HIV mutational pathways using temporal bayesian networks. Artif. Intell. Med. 57(3), 185–195 (2013)CrossRef
9.
Murphy, K.: Dynamic Bayesian networks: representation, inference and learning. dissertation, University of California, Berkeley (2002)
10.
Rabiner, R., Juang, B.: Fundamentals of Speech Recognition. Prentice Hall, New Jersey (1993)
11.
Shafer, R.: Rationale and uses of a public HIV drug-resistance database. J. Infect. Dis. 194(1), 51–58 (2006)MathSciNetCrossRef
Metadaten
Titel
Dynamic and Temporal Bayesian Networks
verfasst von
Luis Enrique Sucar
Copyright-Jahr
2015
Verlag
Springer London
Buch
Probabilistic Graphical Models

Print ISBN: 978-1-4471-6698-6

Electronic ISBN: 978-1-4471-6699-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-1-4471-6699-3_9